文献

J-GLOBAL ID：202202226551874941   整理番号：22A1085684

パッチ対ピクセルマッピング戦略とモデル比較を用いた深層学習ベース時空間データ融合【JST・京大機械翻訳】

Deep Learning-Based Spatiotemporal Data Fusion Using a Patch-to-Pixel Mapping Strategy and Model Comparisons

著者 (4件)： Ao Zurui (Faculty of Engineering, Beidou Research Institute, South China Normal University, Guangzhou, China) ,  Sun Ying (School of Geography and Planning, Sun Yat-sen University, Guangzhou, China) ,  Pan Xiaoyu (School of Geography and Planning, Sun Yat-sen University, Guangzhou, China) ,  Xin Qinchuan (School of Geography and Planning, Sun Yat-sen University, Guangzhou, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5407718.1-18  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 衛星センサの空間,スペクトル,および時間分解能の間のトレードオフは,個々のセンサから高空間および高時間分解能の両方でリモートセンシング画像を得ることを困難にする。研究は,異なる衛星センサから時空間データを融合するための方法を開発して,これらの方法は,しばしば時間を通して表面反射率の線形変化を仮定し,経験的規則と手作業特性を採用する。ここでは,これらの問題を取り扱うために畳み込みニューラルネットワーク(CNN)に基づく高密度時空間融合(DenseSTF)ネットワークを提案した。高密度STFは,ターゲット微細画像における各画素に対して豊富なテクスチャの詳細を提供できるパッチツーピクセルモデリング戦略を用いて,土地被覆変化を説明するための前方および後方時間的依存性の両方を扱う。さらに,高密度STFは,少数の仮定と経験的ルールを有するマッピング関数を採用し,粗い画像と微細な画像の間の信頼できる関係を確立することができる。不均一性と時間変化の異なる3つのコントラストシーンにおいて,高密度STFを試験し,3つのルールベースの融合手法と3つのCNNとの比較を行った。実験結果は,高密度STFが正確な融合結果を提供して,特に土地被覆が突然変化するとき,他の試験方法より優れていることを示した。深層学習ネットワークの構造はデータ融合の成功に大きく影響する。パッチツーピクセルマッピング戦略を用いたCNNに基づく新しい手法を開発し,リモートセンシングデータの時空間融合における深層学習ネットワークの有効性を強調した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コントラスト ,  反射率 ,  ネットワーク ,  スペクトル ,  画像 ,  画素 ,  *時空 ,  土地被覆 ,  *データ融合 ,  ルールベース
準シソーラス用語： 土地被覆変化 ,  リモートセンシング画像 ,  表面反射率 ,  リモートセンシングデータ ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (8件)： パッチ ,  ピクセル ,  マッピング ,  戦略 ,  モデル比較 ,  深層学習 ,  時空間データ ,  融合